Mar, 2017

基于深度学习的黑色素瘤筛查知识迁移

PDF
TL;DR研究表明，知识转移对于深度学习 -- 图像分类任务中自动黑色素瘤筛查等任务的表现具有重要影响。而对于医学任务，深度学习对训练数据的渴求提出了挑战，通过从不同任务训练的模型中回收知识的转移学习策略可以缓解此类问题，然而这方面的系统性评估目前尚缺失，因此本文调查了转移的存在性、转移来源的任务以及深度模型的 fine-tuning 并测试了深度不同的模型性能，结果表明使用 fine-tuning 的 ImageNet 上预训练的深层模型可达到较好的性能，为两个皮肤病分类数据集实现了 80.7% 和 84.5% 的 AUC 值。
发现论文，激发创造
  • 分析及比较基于转移学习的皮肤镜图像黑素瘤分类

    结合深度学习技术和迁移学习方法，本文提出了一种系统，用于对黑色素瘤皮肤损伤进行分类和诊断，达到相对较高的准确度，并且可在计算能力较弱的设备上进行预测。

    Dec, 2023

  • 皮肤癌图像分类使用迁移学习技术

    应用了五种不同的预先训练的迁移学习方法对恶性和良性阶段的皮肤癌进行二分类检测，实验结果表明 ResNet-50 模型提供了 0.935 的准确率、0.86 的 F1 分数和 0.94 的精确度。

    Jun, 2024

  • 利用对抗训练和深度迁移学习进行黑色素瘤检测

    本文介绍了一种基于对抗训练和迁移学习的皮肤病变图像自动分类的两阶段框架。通过学习数据分布的内类别映射和利用图像翻译技术，我们能够在缺乏表征病变的样本中生成人工制造的少数不平衡训练样本。实验证明，所提出的方法优于几种标准的基线方法，并具备能够达到皮肤科医师专家水平的基于上下文的病变评估方法。

    Apr, 2020

  • 深度迁移学习在医学影像中的机制

    本研究系统研究了将在 ImageNet 数据上训练的卷积神经网络 (CNN) 在超声图像肾脏检测问题上进行转移学习的过程，并表明通过转移学习可以获得更好的性能。

    Apr, 2017

  • 深度迁移学习与 XAI 技术增强的鲁棒黑素瘤厚度预测

    该研究通过使用深度学习模型，分析皮肤镜图像以确定黑素瘤的深度，从而提高黑素瘤深度的预测，并提供了与深度相关的图像特征的存在性分析。

    Jun, 2024

  • 基于深度学习的自动黑素瘤检测：数据净化和增强

    本研究介绍了基于深度学习的黑色素瘤检测系统，包括数据净化和增强工具，通过去除图像的遮挡和用生成对抗网络合成图像来增加数据的多样性。实验证明，该系统相比其他方法表现更为优异。

    Feb, 2019

  • 基于知识蒸馏的黑色素瘤检测方法

    本文探讨了使用知识蒸馏技术，建立少层数且具有更少的可学习参数的模型，以提供更快速且准确的皮肤病变 —— 黑色素瘤的早期检测方法。我们的 DSNet 模型在精确度、召回率和 F1 得分等指标上，在黑色素瘤和非黑色素瘤病变的检测上，始终表现比 EfficientNet-B0 更好。

    Oct, 2022

  • 数据，深度和设计：用于皮肤病变分析的可靠模型学习

    该研究利用两个全因子实验，分析了深度学习模型在皮肤病变分析中的设计和评估方法，结果表明训练数据量、测试数据增强和输入分辨率对模型性能影响最大，而集成模型是一种成本效益高且可靠的替代方法。同时指出，推动皮肤病变分析研究需要积累更大的公共数据集，并要避免使用测试集中的特权信息。

    Nov, 2017

  • 基于迁移学习技术的黑素瘤分类比较分析

    使用深度卷积神经网络进行皮肤癌的早期检测和分类，有助于减少高昂的医疗费用并提升治疗效果。

    Nov, 2022

  • 基于 VGG16 和 VGG19 的迁移学习模型用于皮肤癌诊断

    皮肤癌是世界上最危险和最常见的癌症之一，本文使用深度卷积神经网络和迁移学习方法对皮肤病变进行自动分类，证明了在已有预训练神经网络的基础上的合理设计和应用可以显著提高病变检测的分类准确率。

    Apr, 2024